MAPF_G2RL — это открытая исследовательская среда, соединяющая теорию графов и глубокое усиленное обучение для решения задачи поиска путей с несколькими агентами (MAPF). Она кодирует узлы и ребра в векторные представления, определяет пространственные и коллизионно-осведомленные функции награды, поддерживает различные алгоритмы RL, такие как DQN, PPO и A2C. Фреймворк автоматизирует создание сценариев, генерируя случайные графы или импортируя карты реального мира, а также управляет циклами обучения, оптимизирующими политики для нескольких агентов одновременно. После обучения агенты оцениваются в симуляционных средах по показателям оптимальности маршрутов, времени выполнения и уровню успеха. Его модульный дизайн позволяет исследователям расширять ключевые компоненты, интегрировать новые методы MARL и проводить сравнение с классическими решателями.

MARO (Multi-Agent Resource Optimization) — это фреймворк на Python, предназначенный для поддержки разработки и оценки агентов обучения с подкреплением с несколькими агентами в сценариях цепей поставок, логистики и управления ресурсами. Включает шаблоны для управления запасами, планирования грузовиков, кросс-докинга, аренды контейнеров и прочего. MARO предлагает унифицированный API агентов, встроенные трекеры для ведения экспериментов, возможности параллельного моделирования для масштабных тренировок и инструменты визуализации для анализа эффективности. Платформа модульная, расширяемая, интегрируется с популярными RL-библиотеками, обеспечивая воспроизводимость исследований и быструю прототипирование решений на базе ИИ.

Colosseum Agent Battles предоставляет модульный Python SDK для организации конкурсов AI-агентов в настраиваемых аренах. Пользователи могут определять окружения с конкретным рельефом, ресурсами и правилами, а также реализовывать стратегии агентов через стандартизированный интерфейс. Фреймворк управляет расписанием боёв, логикой судьи и в реальном времени регистрирует действия и результаты агентов. В комплект входят инструменты для проведения турниров, отслеживания статистики побед и поражений, а также визуализации эффективности агентов с помощью графиков. Разработчики могут интегрировать популярные ML-библиотеки для обучения агентов, экспортировать данные боёв для анализа и расширять модули судьи для реализации своих правил. В итоге, он упрощает проведение бенчмарков стратегий ИИ в состязаниях один-на-один. Также поддерживается логирование в форматах JSON и CSV для анализа данных.

AI-агенты для Камень-Ножницы-Бумага — это проект с открытым исходным кодом на Python, показывающий, как строить, обучать и оценивать различные стратегии AI — случайную игру, распознавание правил и обучение с подкреплением (Q-learning) — в классической игре. Он включает модульные классы агентов, настраиваемый механизм игры, логирование эффективности и утилиты визуализации. Пользователи легко могут менять агентов, регулировать параметры обучения и исследовать поведение ИИ в соревновательных сценариях.

CrewAI-Learning — это библиотека с открытым исходным кодом, предназначенная для упрощения проектов по обучению с несколькими агентами с усилением. Она предлагает каркасы окружений, модульное определение агентов, настраиваемые функции вознаграждения и набор встроенных алгоритмов, таких как DQN, PPO и A3C, адаптированных для совместных задач. Пользователи могут определять сценарии, управлять циклами обучения, вести журнал метрик и визуализировать результаты. Фреймворк поддерживает динамическую настройку команд агентов и стратегий обмена вознаграждениями, что облегчает прототипирование, оценку и оптимизацию решений ИИ для сотрудничества в различных областях.